A dual computational approach to map domain architecture in phage lytic proteins

Steff Taelman
Door de steeds rijzende aantallen van antibiotica resistente bacteriën wordt in virussen gezicht naar een alternatief. Door combinatie van artificiële intelligentie en synthetische biologie slaagt deze scriptie erin om regels op te stellen voor welke specifieke componenten nodig zijn om 38 verschillende soorten bacteriën te doden.

De nieuwe generatie antibiotica

De superbacterie: het had gerust een wapen uit een derderangs James Bond film kunnen zijn. Maar niets is minder waar. Deze beestjes kosten elk jaar wel zo’n 700 000 mensen het leven. Bovendien worden ze alsmaar meer resistent tegen de gangbare antibiotica en wetenschappers voorspellen dat de superbacterie tegen 2050 op jaarbasis meer doden zal eisen dan kanker. Bij de Universiteit van Gent wordt het antwoord hiervoor tegenwoordig gevonden op het kruispunt van synthetische biologie en artificiële intelligentie (AI). Zo komen ze tot enzybiotica: bacteriedodende stoffen opgebouwd uit stukjes van virussen.

Door hun snelle en gerichte werking zijn antibiotica een van de belangrijkste ontdekkingen van de 20e eeuw. Elk jaar krijgen ongeveer twee miljoen Belgen een antibioticakuur voorgeschreven, vaak om bronchitis of andere luchtweginfecties te behandelen. Hun eenvoud in gebruik leidde echter ook tot hun ondergang. Het verkeerdelijk voorschrijven hiervan - antibiotica helpt bijvoorbeeld niet tegen een verkoudheid - en het niet volledig uitlopen van de kuur behoren tot de hoofdoorzaken van ontwikkeling van resistentie onder bacteriën. Deze resistentie zorgt er dan voor dat de voorgeschreven behandeling ineffectief wordt en de ziekte zich alsnog kan verspreiden. Zo’n resistent beestje noemen we dan een superbacterie.

De vijand van een vijand is een vriend

De oplossing van dit probleem kunnen we in de natuur vinden. Meer specifiek bij de bacteriofaag, een type virus waarvan de naam letterlijk bacterie-eter betekent. In tegenstelling tot conventionele antibiotica die slechts de groei van bacteriën belemmeren, maken bacteriofagen eiwitten aan die actief bacteriën vernietigen. Door deze unieke werking omzeilen ze de resistentie die bacteriën kunnen opbouwen tegen antibiotica.

De bacteriofaag-eiwitten zijn ook zeer specifiek in de bacteriën die ze aanvallen. Dit komt door miljoenen jaren evolutie waarin bepaalde bouwsteentjes van de eiwitten werden uitgewisseld en herschikt. Deze bouwsteentjes bepalen elk een concrete eigenschap van het eiwit.  Om hiervan een gericht medicijn te maken, een zogenaamd enzybioticum, willen we de functie van het eiwit volledig beheersen. Dit doen we door de juiste bouwsteentjes te combineren in het labo. In de natuur vinden we honderden verschillende bouwsteentjes voor enzybiotica, de mogelijke combinaties die volgen uit deze honderden bouwsteentjes zijn daarom te talrijk om ooit allemaal te testen. Hiervoor grijpen we snel naar onze computers.

Artificiële intelligentie versus de superbacterie

Het menselijk brein is fenomenaal goed in het opsporen van patronen, vraag dat maar aan iedereen die ooit Candy Crush of Bejeweled heeft gespeeld. Via algoritmes en wiskundige trucjes kunnen we een computer nu al in bepaalde aspecten leren denken zoals een mens. Zo kunnen we heel snel en heel betrouwbaar patronen gaan zoeken in een grote hoeveelheid data.

We leren onze computers om combinaties van bouwstenen te linken aan functies, zoals het vernietigen van een ziekteverwekkende bacterie. Dit doet de computer net zoals de mens, door heel veel voorbeelden te bekijken en daarin patronen te gaan zoeken. En evenzeer zoals de mens, wordt er al eens snel op het internet opgezocht om iets nieuws te leren. Aldus leerde de computer uitsluitend op data vanop het internet samengesteld door onderzoekers van over de hele wereld.

Van woorden naar daden, van wiskunde naar biologie

Ten slotte draaien we de rollen om. De AI heeft geleerd om combinaties van bouwstenen te linken aan het vernietigen van een bacterie, en nu gaan we kijken hoe deze de bouwstenen combineert om een vernietiging vast te stellen. Op deze manier werd voor 38 verschillende soorten bacteriën een schema opgesteld met de bouwsteentjes die nodig zijn om ze te vernietigen (zie figuur). Dit zorgt ervoor dat de laborant snel een gericht medicijn kan ontwikkelen dat een alternatief vormt voor antibiotica.

Schema voor 38 verschillende bacteriën

Of enzybiotica in een doeltreffend medicijn kunnen omgevormd worden, dient zich nog uit te wijzen, maar huidige resultaten zijn alvast veelbelovend. De inspanningen van deze scriptie zetten dit onderzoek een stap vooruit en geven ons terug een kans in de strijd tegen de beruchte superbacterie.

Dit onderzoek was een samenwerking van het Laboratorium of Applied Biotechnology, onder begeleiding van Yves Briers en Bjorn Criel, en KERMIT, onder begeleiding van Michiel Stock.

Bibliografie

Abdelkader, K., Gerstmans, H., Saafan, A., Dishisha, T., and Briers, Y. (2019). The preclinical and clinical progress of bacteriophages and their lytic enzymes: The parts are easier than the whole. Viruses, 11(2):1–16.

Altschul, S. F., Gish, W., Miller, W., Myers, E. W., and Lipman, D. J. (1990). Basic local alignment search tool. Journal of Molecular Biology, 215(3):403–410.

Barbedo, J. G. s. and Lopes, A. (2006). Automatic genre classification of musical signals. EURASIP Journal on Advances in Signal Processing, 2007(1):1–12.

Bateman, A., Sonnhammer, E. L. L., Ceric, G., Hotz, H.-R., Mistry, J., Tate, J., Forslund, K., Coggill, P. C., Eddy, S. R., Sammut, S. J., and Finn, R. D. (2007). The Pfam protein families database. Nucleic Acids Research, 36:281–288.

Briers, Y., Cornelissen, A., Aertsen, A., Hertveldt, K., Michiels, C. W., Volckaert, G., and Lavigne, R. (2008). Analysis of outer membrane permeability of Pseudomonas aeruginosa and bactericidal activity of endolysins KZ144 and EL188 under high hydrostatic pressure. FEMS Microbiology Letters, 280(1):113–119.

Briers, Y. and Lavigne, R. (2015). Breaking barriers: Expansion of the use of endolysins as novel antibacterials against gram-negative bacteria. Future Microbiology, 10:377–390.

Briers, Y., Volckaert, G., Cornelissen, A., Lagaert, S., Michiels, C. W., Hertveldt, K., and Lavigne, R. (2007). Muralytic activity and modular structure of the endolysins of pseudomonas aeruginosa bacteriophages φkz and el. Molecular Microbiology, 65(5):1334–1344.

Briers, Y., Walmagh, M., and Lavigne, R. (2011). Use of bacteriophage endolysin el188 and outer membrane permeabilizers against pseudomonas aeruginosa. Journal of Applied Microbiology, 110(3):778–785.

Briers, Y., Walmagh, M., Van Puyenbroeck, V., Cornelissen, A., Cenens, W., Aertsen, A., Oliveira, H., Azeredo, J., Verween, G., Pirnay, J.-P., Miller, S., Volckaert, G., and Lavigne, R. (2014). Engineered endolysin-based “artilysins” to combat multidrug- resistant gram-negative pathogens. mBio, 5(4):1–10.

Brown, T. L., Petrovski, S., Dyson, Z. A., Seviour, R., and Tucci, J. (2016). The formulation of bacteriophage in a semi solid preparation for control of propionibacterium acnes growth. PLOS ONE, 11(3):1–16.

Callewaert, L., Walmagh, M., Michiels, C. W., and Lavigne, R. (2011). Food applications of bacterial cell wall hydrolases. Current Opinion in Biotechnology, 22(2):164–171.

Carlton, R. (1999). Phage therapy: past history and future prospects. Archivum Immunologiae et Therapiae Experimentalis, 47:267–274.

ContraFect (2019). ContraFect Presents Additional Positive Data from the Phase 2 Trial of Exebacase at the 29th European Congress of Clinical Microbiology and Infectious Diseases (ECCMID).

Criel, B. (2017). A bioinformatic approach to infer horizontal gene transfer events with the aim to improve endolysin engineering. Master’s thesis, UGent.

Cummins, C. S. and Harris, H. (1956). The chemical composition of the cell wall in some gram-positive bacteria and its possible value as a taxonomic character. Microbiology, 14(3):583–600.

Czaplewski, L., Bax, R., Clokie, M., Dawson, M., Fairhead, H., Fischetti, V. A., Foster, S., Gilmore, B. F., Hancock, R. E. W., Harper, D., Henderson, I. R., Hilpert, K., Jones, B. V., Kadioglu, A., Knowles, D., Ólafsdóttir, S., Payne, D., Projan, S., Shaunak, S., Silverman, J., Thomas, C. M., Trust, T. J., Warn, P., and Rex, J. H. (2016). Alternatives to antibiotics—a pipeline portfolio review. The Lancet Infectious Diseases, 16(2):239–251.

Davies, J. and Davies, D. (2010). Origins and evolution of antibiotic resistance. Microbiology and Molecular Biology Reviews, 74(3):417–433.

DeWeese-Scott, C., Zheng, C., Lanczycki, C. J., Robertson, C. L., Zhang, D., Hurwitz, D. I., Chitsaz, F., Lu, F., Marchler, G. H., Song, J. S., Fong, J. H., Anderson, J. B., Jackson, J. D., Geer, L. Y., Gwadz, M., Omelchenko, M. V., Mullokandov, M., Derbyshire, M. K., Zhang, N., Thanki, N., Gonzales, N. R., Geer, R. C., Yamashita, R. A., Lu, S., Bryant, S. H., Ke, Z., and Marchler-Bauer, A. (2010). Cdd: a conserved domain database for the functional annotation of proteins. Nucleic Acids Research, 39:225–229.

Dzidic, S. and Bedekovic ́, V. (2003). Horizontal gene transfer-emerging multidrug resistance in hospital bacteria. Acta Pharmacologica Sinica, 24(6):519–526.

Eugster, M. R., Haug, M. C., Huwiler, S. G., and Loessner, M. J. (2011). The cell wall binding domain of Listeria bacteriophage endolysin PlyP35 recognizes terminal Glc-NAc residues in cell wall teichoic acid. Molecular Microbiology, 81(6):1419–1432.

Farrar, M. D., Howson, K. M., Bojar, R. A., West, D., Towler, J. C., Parry, J., Pelton, K., and Holland, K. T. (2007). Genome sequence and analysis of a propionibacterium acnes bacteriophage. Journal of Bacteriology, 189(11):4161–4167.

Fischetti, V. A. (2008). Bacteriophage lysins as effective antibacterials. Current Opinion in Microbiology, 11(5):393–400.

Fleming-Dutra, K. E., Hersh, A. L., Shapiro, D. J., Bartoces, M., Enns, E. A., File, Thomas M., J., Finkelstein, J. A., Gerber, J. S., Hyun, D. Y., Linder, J. A., Lynfield, R., Margolis, D. J., May, L. S., Merenstein, D., Metlay, J. P., Newland, J. G., Piccirillo, J. F., Roberts, R. M., Sanchez, G. V., Suda, K. J., Thomas, A., Woo, T. M., Zetts, R. M., and Hicks, L. A. (2016). Prevalence of inappropriate antibiotic prescriptions among us ambulatory care visits, 2010-2011. JAMA, 315(17):1864–1873.

Friedman, J. H. and Popescu, B. E. (2008). Predictive learning via rule ensembles. The Annals of Applied Statistics, 2(3):916–954.

Gardin, F., Gautier, R., Goix, N., Ndiaye, B., and Schertzer, J.-M. (2018). Skope Rules. MIT.

Gerstmans, H., Criel, B., and Briers, Y. (2018). Synthetic biology of modular endolysins. Biotechnology Advances, 36(3):624–640.

Ghuysen, J. M. (1968). Use of bacteriolytic enzymes in determination of wall structure and their role in cell metabolism. Bacteriological Reviews, 32(4):425–464.

Gupta, R. S. (1998). Protein phylogenies and signature sequences: A reappraisal of evolutionary relationships among Archaebacteria, Eubacteria, and Eukaryotes. Microbiology and Molecular Biology Reviews : MMBR, 62(4):1435–1491.

Gupta, R. S., Lo, B., and Son, J. (2018). Phylogenomics and comparative genomic studies robustly support division of the genus mycobacterium into an emended genus mycobacterium and four novel genera. Frontiers in Microbiology, 9:1–41.

Halligan, S., Altman, D. G., and Mallett, S. (2015). Disadvantages of using the area under the receiver operating characteristic curve to assess imaging tests: a discussion and proposal for an alternative approach. European Radiology, 25(4):932–939.

Harkins, D., Beck, E., Selengut, J. D., Basu, M. K., Richter, R. A., and Haft, D. H. (2012). Tigrfams and genome properties in 2013. Nucleic Acids Research, 41:387–395.

Hastie, T. J., Friedman, J. H., and Tibshirani, R. J. (2017). The elements of statistical learning. Springer.

Hawkins, D. M. (2004). The problem of overfitting. Journal of Chemical Information and Computer Sciences, 44(1):1–12.

Hendrix, R. W. (2003). Bacteriophage genomics. Current Opinion in Microbiology, 6(5):506–511.

Henikoff, S. and Henikoff, J. G. (1992). Amino acid substitution matrices from protein blocks. Proceedings of the National Academy of Sciences, 89(22):10915–10919.

Herlihey, F. A. and Clarke, A. J. (2017). Controlling Autolysis During Flagella Insertion in Gram-Negative Bacteria, pages 41–56. Springer, Singapore.

Hermoso, J. A., García, J. L., and García, P. (2007). Taking aim on bacterial pathogens: from phage therapy to enzybiotics. Current Opinion in Microbiology, 10(5):461–472.

Heselpoth, R. D. and Nelson, D. C. (2012). A new screening method for the directed evolution of thermostable bacteriolytic enzymes. JoVE, 69:1–8.

Höltje, J.-V., Kopp, U., Ursinus, A., and Wiedemann, B. (1994). The negative regulator of β-lactamase induction AmpD is a N-acetyl-anhydromuramyl-l-alanine amidase. FEMS Microbiology Letters, 122(2):159–164.

Höltje, J. V., Mirelman, D., Sharon, N., and Schwarz, U. (1975). Novel type of murein transglycosylase in escherichia coli. Journal of Bacteriology, 124(3):1067–1076.

Jiang, B., Song, K., Ren, J., Deng, M., Sun, F., and Zhang, X. (2012). Comparison of metagenomic samples using sequence signatures. BMC Genomics, 13(1):1–17.

Koonin, E. and Galperin, M. (2003). Sequence — Evolution — Function. Kluwer Academic.

Letunic, I. and Bork, P. (2019). Interactive tree of life (itol) v4: recent updates and new developments. Nucleic Acids Research, pages 1–4.

Letunic, I., Doerks, T., and Bork, P. (2014). Smart: recent updates, new developments and status in 2015. Nucleic Acids Research, 43:257–260.

Linden, S. B., Zhang, H., Heselpoth, R. D., Shen, Y., Schmelcher, M., Eichenseher, F., and Nelson, D. C. (2015). Biochemical and biophysical characterization of plygrcs, a bacteriophage endolysin active against methicillin-resistant staphylococcus aureus. Applied Microbiology and Biotechnology, 99(2):741–752.

Liu, J., Yan, R., Zhong, Q., Ngo, S., Bangayan, N. J., Nguyen, L., Lui, T., Liu, M., Erfe, M. C., Craft, N., Tomida, S., and Li, H. (2015). The diversity and host interactions of propionibacterium acnes bacteriophages on human skin. The ISME Journal, 9:2078– 2093.

Loessner, M. (2005). Bacteriophage endolysins—current state of research and applications. Current Opinion in Microbiology, 8:480–487.

Loessner, M. J., Kramer, K., Ebel, F., and Scherer, S. (2002). C-terminal domains of listeria monocytogenes bacteriophage murein hydrolases determine specific recognition and high-affinity binding to bacterial cell wall carbohydrates. Molecular Mi- crobiology, 44(2):335–349.

Lutz, S. (2010). Beyond directed evolution—semi-rational protein engineering and design. Current Opinion in Biotechnology, 21(6):734–743.

Malki, K., Kula, A., Bruder, K., Sible, E., Hatzopoulos, T., Steidel, S., Watkins, S. C., and Putonti, C. (2015). Bacteriophages isolated from lake michigan demonstrate broad host-range across several bacterial phyla. Virology Journal, 12(1):1–5.

Marchler-Bauer, A. and Bryant, S. H. (2004). Cd-search: protein domain annotations on the fly. Nucleic Acids Research, 32(2):327–331.

Marinelli, L. J., Fitz-Gibbon, S., Hayes, C., Bowman, C., Inkeles, M., Loncaric, A., Russell, D. A., Jacobs-Sera, D., Cokus, S., Pellegrini, M., Kim, J., Miller, J. F., Hatfull, G. F., and Modlin, R. L. (2012). Propionibacterium acnes bacteriophages display limited genetic diversity and broad killing activity against bacterial skin isolates. mBio, 3(5):1–13.

Martinez, J. L. and Baquero, F. (2000). Mutation frequencies and antibiotic resistance. Antimicrobial Agents and Chemotherapy, 44(7):1771–1777.

Meng, F. and Kurgan, L. (2016). Dflpred: High-throughput prediction of disordered flexible linker regions in protein sequences. Bioinformatics, 32(12):341–350.

Meng, X., Shi, Y., Ji, W., Meng, X., Zhang, J., Wang, H., Lu, C., Sun, J., and Yan, Y. (2011). Application of a bacteriophage lysin to disrupt biofilms formed by the animal pathogen Streptococcus suis. Applied and Environmental Microbiology, 77(23):8272–8279.

Mitchell, A. L., Attwood, T. K., Babbitt, P. C., Blum, M., Bork, P., Bridge, A., Brown, S. D., Chang, H.-Y., El-Gebali, S., Fraser, M. I., Gough, J., Haft, D. R., Huang, H., Letunic, I., Lopez, R., Luciani, A., Madeira, F., Marchler-Bauer, A., Mi, H., Natale, D. A., Necci, M., Nuka, G., Orengo, C., Pandurangan, A. P., Paysan-Lafosse, T., Pesseat, S., Potter, S. C., Qureshi, M. A., Rawlings, N. D., Redaschi, N., Richardson, L. J., Rivoire, C., Salazar, G. A., Sangrador-Vegas, A., Sigrist, C. J., Sillitoe, I., Sutton, G. G., Thanki, N., Thomas, P. D., Tosatto, S. C., Yong, S.-Y., and Finn, R. D. (2018). Interpro in 2019: improving coverage, classification and access to protein sequence annotations. Nucleic Acids Research, 47(D1):351–360.

Molnar, C. (2019). Interpretable Machine Learning.

Müllner, D. (2011). Modern hierarchical, agglomerative clustering algorithms. Computing Research Repository, abs/1109.2378:1–29.

Needleman, S. B. and Wunsch, C. D. (1970). A general method applicable to the search for similarities in the amino acid sequence of two proteins. Journal of Molecular Biology, 48(3):443–453.

Normark, B. H. and Normark, S. (2002). Evolution and spread of antibiotic resistance. Journal of Internal Medicine, 252(2):91–106.

OECD (2018). Stemming the Superbug Tide. OECD Publishing.

Oliveira, H., Melo, L. D. R., Santos, S. B., Nóbrega, F. L., Ferreira, E. C., Cerca, N., Azeredo, J., and Kluskens, L. D. (2013). Molecular aspects and comparative genomics of bacteriophage endolysins. Journal of Virology, 87(8):4558–4570.

Park, T., Struck, D. K., Dankenbring, C. A., and Young, R. (2007). The pinholin of lambdoid phage 21: Control of lysis by membrane depolarization. Journal of Bacteriology, 189(24):9135–9139.

Pawelkowicz, M., Osipowski, P., Wojcieszek, M., Kowalczuk, C., Plader, W., and Przybecki, Z. (2016). Bioinformatic investigation of the role of ubiquitins in cucumber flower morphogenesis. SPIE 10031.

Pearson, W. R. (2013). An introduction to sequence similarity ("homology") searching. Current Protocols in Bioinformatics, 42(1):1–8.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in python. Journal of Machine Learning Research, 12:2825–2830.

Ponting, C. and Russell, R. (2002). The natural history of protein domains. Annual Review of Biophysics and Biomolecular Structure, 31:45–71.

Rees, C., Botsaris, G., and Cardona, P.-J. (2012). The Use of Phage for Detection, Antibiotic Sensitivity Testing and Enumeration, chapter 14, pages 293–306. IntechOpen, Rijeka.

Reese, J. and Pearson, W. (2002). Empirical determination of effective gap penalties for sequence comparison. Bioinformatics, 18(11):1500–1507.

Review on Antimicrobial Resistance (2016). Tackling Drug-resistant Infections Globally: Final Report and Recommendations. Review on antimicrobial resistance.

Ribeiro, M. T., Singh, S., and Guestrin, C. (2016). Model-agnostic interpretability of machine learning. CoRR, abs/1606.05386:91–95.

Rodríguez-Rubio, L., Gutiérrez, D., Donovan, D. M., Martínez, B., Rodríguez, A., and García, P. (2016). Phage lytic proteins: biotechnological applications beyond clinical antimicrobials. Critical Reviews in Biotechnology, 36(3):542–552.

Rodríguez-Rubio, L., Martínez, B., Rodríguez, A., Donovan, D. M., Götz, F., and Gar- cía, P. (2013). The phage lytic proteins from the staphylococcus aureus bacterio- phage vb_saus-phiipla88 display multiple active catalytic domains and do not trigger staphylococcal resistance. PLOS ONE, 8(5):1–7.

Rydman, P. S. and Bamford, D. H. (2002). The lytic enzyme of bacteriophage prd1 is associated with the viral membrane. Journal of Bacteriology, 184(1):104–110.

Sayers, E. and Bryant, S. (2002). Macromolecular structure databases. In McEntyre, J. and Ostell, J., editors, The NCBI Handbook [Internet], chapter 3. National Center for Biotechnology Information, Bethesda (MD).

Schleifer, K., Hammes, W., and Kandler, O. (1976). Effect of endogenous and exogenous factors on the primary structures of bacterial peptidoglycan. In Rose, A. and Tempest, D., editors, Advances in Microbial Physiology, volume 13, pages 245–292. Academic Press.

Schleifer, K. H. and Kandler, O. (1972). Peptidoglycan types of bacterial cell walls and their taxonomic implications. Bacteriological Reviews, 36(4):407–477.

Schmelcher, M., Donovan, D. M., and Loessner, M. J. (2012). Bacteriophage endolysins as novel antimicrobials. Future Microbiology, 7(10):1147–1171.

Schmelcher, M., Tchang, V. S., and Loessner, M. J. (2011). Domain shuffling and module engineering of listeria phage endolysins for enhanced lytic activity and binding affinity. Microbial Biotechnology, 4(5):651–662.

Scholz, C. F. P. and Kilian, M. (2016). The natural history of cutaneous propionibacteria, and reclassification of selected species within the genus propionibacterium to the proposed novel genera acidipropionibacterium gen. nov., cutibacterium gen. nov. and pseudopropionibacterium gen. nov. International Journal of Systematic and Evolutionary Microbiology, 66(11):4422–4432.

Sharma, U., Vipra, A., and Channabasappa, S. (2018). Phage-derived lysins as potential agents for eradicating biofilms and persisters. Drug Discovery Today, 23(4):848– 856.

Silla, C. N. and Freitas, A. A. (2011). A survey of hierarchical classification across different application domains. Data Mining and Knowledge Discovery, 22(1):31–72.

Siranosian, B., Perera, S., Williams, E., Ye, C., de Graffenried, C., and Shank, P. (2015). Tetranucleotide usage highlights genomic heterogeneity among mycobacteriophages. F1000Research, 4:1–17.

Smith, T. F. and Waterman, M. S. (1981). Comparison of biosequences. Advances in Applied Mathematics, 2(4):482–489.

Stackebrandt, E., Rosenberg, E., DeLong, E. F., Lory, S., Stackebrandt, E., and Thompson, F. (2014). The Family Propionibacteriaceae: Genera other than Propionibacterium, pages 725–741. Springer, Berlin, Heidelberg.

Sundarrajan, S., Raghupatil, J., Vipra, A., Narasimhaswamy, N., Saravanan, S., Appaiah, C., Poonacha, N., Desai, S., Nair, S., Bhatt, R. N., Roy, P., Chikkamadaiah, R., Durgaiah, M., Sriram, B., Padmanabhan, S., and Sharma, U. (2014). Bacteriophage- derived chap domain protein, p128, kills staphylococcus cells by cleaving interpep- tide cross-bridge of peptidoglycan. Microbiology, 160(10):2157–2169.

Thummeepak, R., Kitti, T., Kunthalert, D., and Sitthisak, S. (2016). Enhanced antibacterial activity of acinetobacter baumannii bacteriophage Øabp-01 endolysin (lysabp-01) in combination with colistin. Frontiers in Microbiology, 7:1–8.

Todd, A. E., Orengo, C. A., and Thornton, J. M. (2001). Evolution of function in protein superfamilies, from a structural perspective. Journal of Molecular Biology, 307(4):1113–1143.

Valverde-Albacete, F. J. and Peláez-Moreno, C. (2014). 100% classification accuracy considered harmful: The normalized information transfer factor explains the accuracy paradox. PLOS ONE, 9(1):1–10.

Vermassen, A., Leroy, S., Talon, R., Provot, C., Popowska, M., and Desvaux, M. (2019). Cell wall hydrolases in bacteria: Insight on the diversity of cell wall amidases, glycosidases and peptidases toward peptidoglycan. Frontiers in Microbiology, 10:1–27.

Vidová, B., Sramkova, Z., Tisˇáková, L., Oravkinová, M., and Godany, A. (2014). Bioinformatics analysis of bacteriophage and prophage endolysin domains. Biologia, 69(5):541–556.

Walmagh, M., Boczkowska, B., Grymonprez, B., Briers, Y., Drulis-Kawa, Z., and Lavigne, R. (2013). Characterization of five novel endolysins from gram-negative infecting bacteriophages. Applied Microbiology and Biotechnology, 97(10):4369–4375.

Walmagh, M., Briers, Y., Santos, S. B. d., Azeredo, J., and Lavigne, R. (2012). Characterization of modular bacteriophage endolysins from Myoviridae phages OBP, 201φ2-1 and PVP-SE1. PLOS ONE, 7(5):1–10.

Wang, Y., Fu, L., Ren, J., Yu, Z., Chen, T., and Sun, F. (2018). Identifying group-specific sequences for microbial communities using long k-mer sequence signatures. Frontiers in microbiology, 9:872–872.

Wilson, C. A., Kreychman, J., and Gerstein, M. (2000). Assessing annotation transfer for genomics: quantifying the relations between protein sequence, structure and function through traditional and probabilistic scores. Journal of Molecular Biology, 297(1):233–249.

Zhang, H. (2005). Exploring conditions for the optimality of naive bayes. International Journal of Pattern Recognition and Artificial Intelligence, 19(02):183–198.

Universiteit of Hogeschool
Master of Science in Bioinformatics: BioScience Engineering
Publicatiejaar
2019
Promotor(en)
dr. ir. Michiel Stock, prof. dr. ir. Yves Briers en prof. dr. ir. Wim Van Criekinge
Kernwoorden
Share this on: